基于话单挖掘的可视化人物关系分析系统的设计与实现
这是一篇关于人物关系分析,共同联系人,关系网络,数据挖掘,可视化技术的论文, 主要内容为近年来，我国职务犯罪日益呈现出犯罪手段隐蔽化、作案方式智能化、犯罪主体反侦查化等特点，侦查工作面临许多新问题、新要求、新挑战。随着职务犯罪侦查业务的发展，传统的侦查模式已经越来越难以侦破职务犯罪案件。随着信息技术的发展，以信息化手段提升职务犯罪侦查工作效率，促进科技与办案服务的融合，实现侦查工作创新，成为支撑和促进业务发展的选择。本论文实现一个服务于检察机关的基于话单挖掘的可视化人物关系分析系统，通过机主话单信息确定机主的联系人和人际交往情况等，协助用户寻找办案突破口。 人物关系分析是通过对机主话单的深度分析和挖掘，实现对机主的通话详情、人物关系网络、共同联系人等信息的可视化展示功能，进而得出相关结论。同时，系统可根据机主的通话情况，分析其通话对象是否有特殊联系人，协助用户寻找办案线索，帮助用户更好地把握机主生活规律及其居住、工作以及外出等情况，提升办案质量效率。 系统采用了Java的SSH框架技术，以B/S架构的展现形式，解决了如何依据话单数据对机主的人际关系网络和人物关系进行挖掘分析，对分析结果设计并实现了其可视化表达方法。系统通过“初步统计”、“关系人分析”、“行踪轨迹分析”和“专项分析”四大主要功能模块，实现了对机主话单数据信息的挖掘分析和可视化展示。关系人分析下的关系网络模块采用关联挖掘技术将小世界理论—即机主的关系网络分析—予以实现，并采用修正算法对关联挖掘结果进行可视化展示；关系人分析下的密切联系人模块，对人物关系进行建模，并采用决策树挖掘机主与对方号码之间的人物关系；专项分析模块对非同机换号进行数学建模，关联挖掘两号码机主是否为同一人；行踪轨迹分析模块结合话单基站信息，挖掘机主是否为敏感人员和两个之间是否为接头人的情况。
基于改进关系网络的物体可供性小样本分类方法研究
这是一篇关于物体可供性分类,小样本学习,关系网络,多尺度融合,局部匹配的论文, 主要内容为物体可供性是指物体根据自身属性与人或者机器人进行交互时所提供的功能,根据物体图像理解物体的可供性是机器人操作和使用物体的基础。基于图像的物体可供性分类指的是根据可供性对物体图像进行分类,该项研究得到了计算机视觉、机器人感知等相关领域的广泛研究和重视。现有的关于物体可供性的研究使用的数据集集中在少量的几个物体可供性类别上,但在真实环境中,会遇到训练时不存在的物体可供性类别。现有的基于深度学习的图像分类需要大量带有标签的图像进行有监督学习,当遇到新的样本较少的物体可供性类别时会出现过拟合、泛化能力差等问题,因此,将小样本学习引入到物体可供性分类任务中,让模型具有通过少量样本快速识别新的物体可供性类别的能力。与常见的图像分类任务不同,物体可供性图像具有同类别存在较大差异,不同类别存在着相似性这个特点,利用现有的小样本分类方法无法有效解决这个问题,存在着以下局限性:一是无法进行有效的特征表示,二是常用的全局匹配方式会存在其他无关信息的干扰,三是不充分度量无法有效地区分不同类别,四是目前缺少类别多样的物体可供性分类数据集,针对这些问题,本文的具体研究内容如下:(1)物体可供性分类数据集的构建。现有的物体可供性公开数据集由于存在类别有限,噪声较多等局限性,并不适用于物体可供性分类任务。因此,本课题通过确定类别列表,收集图像、筛选图像、标注图像和数据集统计与分析5个步骤,构建了一个用于物体可供性分类的Affordance-4K+数据集。(2)提出一种基于多尺度特征局部匹配关系网络的物体可供性小样本分类方法。针对关系网络中的嵌入模块提取特征表示信息不全,会忽略掉重要的细节信息和全局的匹配无法准确匹配关键信息这两个问题,提出一种基于多尺度特征局部匹配关系网络的物体可供性小样本分类方法。该方法在嵌入模块中引入多尺度融合技术,结合浅层细节信息与深层语义信息,提取更有效的特征,同时设计了一个局部匹配模块,使模型更加关注比较的两张图片中的相似区域,实现局部的匹配,减少其他无关信息的干扰。最后在三个数据集上进行了实验,在物体可供性分类数据集Affordance-4K+上的实验结果表明,该模型可以为小样本场景下的物体可供性图片实现有效分类,在mini Image Net数据集和CUB-200-2011数据集上的实验结果表明该模型对一般图像和细粒度图像的小样本分类同样有效。(3)提出一种基于双重度量关系网络的物体可供性小样本分类方法。针对单一度量无法将存在相似性的类别有效区分的问题,提出一种基于双重度量关系网络的物体可供性小样本分类方法。该方法沿用上一方法的多尺度融合特征提取器和局部匹配模块,因单一度量存在的度量不充分的问题,采用结合固定度量欧式距离和可学习的非线性神经网络度量的双重度量,并在三个数据集上进行实验,实验结果表明该方法进一步提升了物体可供性分类精度,同样提升了对一般图像和细粒度图像的小样本分类准确率,并通过消融实验验证了双重度量模块可以有效提高模型的度量能力。
结合隐式用户关系网络的改进光滑邻域推荐算法
这是一篇关于推荐系统,协同过滤,关系网络,信任推断的论文, 主要内容为随着网络和信息技术的快速发展,网络上商品信息、交易信息、社交信息等一系列的数据井喷式地增长,用户难以在有限的时间内获取符合自身需求的信息,“信息过载”的问题愈发突出,为了应对这种问题,推荐系统应运而生。自上世纪九十年代诞生以来,推荐系统已经建立了比较完善的理论体系,推荐算法的种类也是纷繁多样,具体有基于内容的推荐算法、基于协同过滤的推荐算法、基于关联规则的推荐算法、基于知识的推荐算法以及混合推荐算法等。协同过滤是推荐算法中的热门研究方向,通过挖掘反映用户兴趣偏好的评分数据进行推荐。协同过滤算法可细分出基于邻居的协同过滤与基于模型的协同过滤两个分支,其中,基于模型的协同过滤中最主流的方法是矩阵分解,本文便是以此为基础,将关系网络与协同过滤算法结合,介绍了结合显式关系网络的光滑邻域推荐算法,该算法利用核函数从特定用户、项目网络上的协变量取得邻域信息,可以有效解决评分数据的冷启动问题,同时,算法采用分而治之的交替最小二乘计算策略来提升运算效率。针对显式用户关系网络存在的稀疏性和用户关系刻画不充分的问题,本文引入了信任传播模型,希望通过信任度推断构造出反映用户间信任度的网络结构,将其作为隐式用户关系网络以替换原本的显式用户关系网络,再将其与光滑邻域推荐算法结合实现改进。最后,本文将几类传统的协同过滤算法与分别结合了显式及隐式网络结构的两类协同过滤算法在模拟数据集与实际数据集上进行实验。在模拟数据集上通过设定不同的缺失率与冷启动率来模拟不同程度的数据稀疏性与冷启动问题,同时人为构造出用户间与项目间的关系网络结构供算法使用;实际数据集选择了来自Last.fm的在线音乐数据集,该数据集面临严重的稀疏性与冷启动问题,且提供了构造出用户间与项目间关系网络的信息,符合本文研究需要。实验结果表明网络结构的引入会使协同过滤算法的性能得到提升,有效解决冷启动问题且表现更加稳健;本文改进的光滑邻域推荐算法性能大部分情况下优于比较的同类算法。
基于深度学习的小样本图像识别方法研究
这是一篇关于小样本学习,图像识别,关系网络,inception块的论文, 主要内容为近几年,随着计算机能力的显著提升,深度神经网络的技术获得了快速的发展,在图像识别领域得到了质的飞跃。然而,深度学习模型在训练的过程中需要足够数量的训练样本才能够更好地泛化不同的样本,而且训练的时间较长,训练效率不高。与此同时,若想得到一些图像数据也是一件令人烦恼的事情,其标注的成本也比较大,这就导致了一些数据获取的难度巨大。基于此,想要解决小样本问题成为人们期待的事情。小样本学习就是通过少量的样本就可以识别物体,可用于为需要大量训练数据的任务收集数据,并且小样本学习降低了获取数据集的难度。本文针对小样本图像识别中的问题进行研究,介绍了如何提高模型的泛化能力,让模型图像识别的准确率有所提高。本文的内容如下:(1)基于深度学习中的元学习可以通过学习已知的类别,基于元学习的度量学习可以进行特征嵌入,把特征信息映射到特征空间中去,进而去对新的测试任务进行识别。然而,当前许多度量方法的模型都存在泛化能力不行的情况,同时网络模型的特征表达能力不足。基于此,本文在小样本经典的关系网络的结构上进行改进,在关系网络中的嵌入模块里增加了inception块,从而增强了嵌入模块的特征提取能力。通过在小样本常用的Mini Image Net数据集上的实验验证了inception块能够增强网络的特征提取能力,从而达到了提高模型识别准确率的目的。(2)小样本学习中的关系网络在梯度下降的时候容易造成梯度爆炸的现象,并且梯度流不稳定。因此,为了稳定梯度流,使模型能够避免梯度消失以及梯度爆炸的情况发生,可以在反向传播和梯度下降的时候更有效率,本文改进关系网络中的激活函数和损失函数。将原关系网络中的Relu激活函数改成Mish激活函数,会尽可能地保留较小的负值,这样就能够稳定网络梯度流,从而可以实现更好的信息流动。将原关系网络中的均方误差损失函数替换成平均绝对误差损失函数,在训练的过程中有着稳定的梯度,不会出现梯度爆炸的现象,便于模型更好的训练。(3)通过在Omniglot、Mini Imagenet以及Tiered Image Net三个常用小样本学习数据集上进行实验,结果表明:改进的网络比原关系网络模型的识别准确率高。在Omniglot数据集上的效果有所增强,在Mini Imagenet数据集的1-shot任务上准确率提升了3.8%,5-shot任务上提升了3.73%,在Tiered Image Net数据集的1-shot任务上提高了4.21%,5-shot任务上提升了4.05%,证实了改进的网络提高了小样本图像识别的准确率,可以有效增强模型的泛化能力。
基于图神经网络的开源社区中开发者项目推荐
这是一篇关于开发者推荐,项目推荐,关系网络,网络嵌入,图神经网络的论文, 主要内容为在开源项目开发过程中,开发者之间的协作效率是至关重要的,随着Github等开源社区中的开发者和项目数量的急剧增长,如何快速寻找到合适的开发人员或者项目是提高软件开发和协作效率的关键。然而在现实情况中,由于难以了解开发者的专业知识和意愿,因此推荐合适的开发人员或者项目既复杂又耗时。针对以上问题,本文提出了一种基于图神经网络的开发者项目推荐模型,主要研究内容有以下四个方面:(1)根据开发者和项目之间的交互关系构建开发者-项目异质网络、开发者合作网络和项目关联网络,根据开发者之间的交互关系计算交互权重,作为开发者合作网络的初始权重,根据项目之间的关联关系计算项目相似度,作为项目关联网络的初始权重。(2)基于开发者在社区中的历史行为事件,使用用门控循环神经网络学习开发者的兴趣特征,并作为开发者合作网络的初始特征,基于项目的目录结构、语言类型、应用方向等信息,使用Word2vec学习项目的语义特征,并作为项目关联网络的初始特征。(3)对于开发者-项目异质网络,使用HIN2vec学习并得到开发者嵌入向量d1和项目嵌入向量p1,对于开发者合作网络和项目关联网络,再使用Node2vec学习得到开发者嵌入向量d2和项目嵌入向量p2,然后将两种开发者和项目嵌入向量分别进行融合,最后使用图注意力神经网络对融合后的嵌入向量再次进行学习,得到开发者和项目更加丰富的特征表示,提高了模型的推荐效果。(4)在Github和Gitlab数据集上进行了大量的实验。首先将本文模型与四个基准模型进行对比,然后验证了初始化开发者项目交互权重对模型训练时间的影响,最后进行了大量的消融对比实验,实验结果证明了融合开发者兴趣特征和项目语义特征可进一步提高子模型的推荐效果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://bishedaima.com/lunwen/53052.html
